2 小波神經網絡對混合電路故障診斷
小波神經網絡(Wavelet Neural Network)是小波分析理論與人工神經網絡ANN理論相結合。目前，二者的結合有如下兩種途徑：
(1)松散型結合。即小波分析作為神經網絡的前置處理手段，為神經網絡提供輸入特征向量。
(2)緊致型結合。小波和神經網絡直接融合，即小波函數和尺度函數形成神經元。
本文采用松散型的小波與神經網絡的結合。先通過PSPICE進行正常電路與故障電路建模仿真，提取靜態電流IDDQ和動態電流IDDT參數，并在Matlab中運用小波分析對所得到的電流進行特征提取，并結合神經網絡進行具體分析。步驟如下：
(1)參數的提取。在PSPICE中提取正常電路及具有橋接故障、開路故障等多種故障電路的電流信息。
(2)小波分析。對(1)中得到的電流信息在Matlab中進行小波分解，提取小波系數，并進一步計算RMS。
(3)故障定位。將小波分析與BP神經網絡結合，分析判斷其定位效果，具體步驟如圖2所示。

3 混合電路故障診斷實例
在PSPICE中用以7404與共集電極放大電路組成的混合電路進行故障模型的研究，其電路模型如圖3所示。通過靈敏度分析可知R1，R2，R5，C1對于電路的影響較大。在電路中設置4個橋接故障、4個開路故障，如表1所示。雖然生產過程中導致電路缺陷各式各樣，但根據各種缺陷的失效機理，可以采用各種各樣的故障模型來等效。本文對于橋接故障，采用在橋接點之間連接一個電阻建立故障模型，阻值分別取10 Ω，1 kΩ和1 MΩ來對應相對小、近似相等、相對大。而對于開路故障，采用在開路點接入10 MΩ點電阻來建立故障模型。

3．1 IDDQ在混合電路故障檢測中的應用
在PSPICE中對各個故障模型進行仿真，可以很容易得出靜態電流值。IDDQ對于混合電路的橋接故障可以很明顯地看出漏電流的區別，但是它卻檢測不出開路故障。
3．2 IDDT在混合電路故障檢測中的應用
對于在PSPICE中得到的正常電路及開路故障動態電流信息，在Matlab中進行5層小波變換，得出小波系數。再通過均方根誤差來體現它們之間的差別。均方根誤差用式(1)來定義：

式中：Fi為開路故障的小波系數；Gi為正常電路的小波系數；N為小波系數的個數。通過式(1)得出RMS的值，見表2。

所以，通過前面兩節的分析可以看出，靜態電流測試和動態電流測試的結合可以明顯地提高混合電路的故障覆蓋率，為今后進行混合電路故障診斷起到了一定的指導意義。
3．3 小波特征提取與BP神經網絡的結合
(1)能量特征的提取。電路的電流信息進行5層小波分解，得到高頻小波分解系數及低頻小波分解系數向量(d5，…，d1，a5)。其中，高頻系數的提取在Matlab中用detcoef函數，而低頻系數提取足采用appcoef函數。再把各系數向量組合成能量特征向量：
F=(Ed5…Ed1，Ea5)
(2)確定BP神經網絡結構和參數。BP神經網絡輸入神經元個數由測試節點決定；隱層個數可通過“試湊法”和式(2)粗略地估計。

式中：m，n和l分別為隱層節點數、輸入節點數、輸出節點數；a為1～10之間不確定的數。
經過反復試驗，本文的BP神經網絡結果為6-7-4。
(3)訓練BP神經網絡。電路仿真時進行20次Monte Carlo分析產生20個樣本，其中10個為訓練樣本．另外10個測試樣本。本文總共要進行4組訓練。網絡訓練誤差曲線如圖4所示。從圖中可以知道，網絡經過4432步訓練達到了目標誤差。

(4)對BP神經網絡進行測試，以檢驗已訓練的BP神經網絡。結果如表3所示，本文的小波神經網絡檢測率達到了95％。

4 結論及展望
傳統的故障診斷方法如故障字典、基于靈敏度的分析法、子網絡撕裂法等能解決一些測試和診斷。但是，隨著混合信號電路的廣泛應用，高可靠性對故障診斷提出了更高的要求。通過本課題，首先知道了靜態電流測試和動態電流測試相結合，可以明顯提高混合電路的故障覆蓋率；其次，小波神經網絡的結合對于故障的定位明顯優于單一神經網絡的方法。從最新的文獻資料中，也可以清晰地知道將兩種或多種故障診斷方法相結合已經成為了混合電路故障診斷的一個發展趨勢。
雖然本課題提高了混合電路的故障診斷率，但是測試向量的生產、混合電路的統一建模、測試響應的統一分析等對于混合電路故障診斷仍是一個嚴峻的挑戰。